近年來，深度學習在影像識別領域取得了顯著的發展，這些成果已經進入了實際應用階段。在工廠等生產現場，長期以來就已經引入了基於影像識別的外觀檢查與異常檢測技術，並且隨著深度學習的導入，已有許多報告顯示這些技術在精度上取得了飛躍性的提高。然而，將深度學習應用於外觀檢查時，也會面臨由於外觀檢查和異常檢測本身所帶來的一些問題。因此，近來有一種方法是通過大量的正常樣本，利用神經網絡AI生成正常狀態模型，並基於這個正常狀態來計算未知樣本的異常度。這些方法中，代表性的模型包括自編碼器（Autoencoder）和生成對抗網絡（GANs）所用於異常檢測的技術，將在此介紹。
一、神經網絡的單層感知器（Perceptron）與三層神經網絡
二、卷積神經網絡（CNN：Convolutional Neural Network）
2.1 卷積神經網絡介紹
2.2 AlexNet 與 VGGNet
2.3 ResNet
三、自編碼器（Autoencoder）
3.1 自編碼器介紹
3.2 卷積自編碼器
四、生成對抗網絡（GANs）
五、深度學習中的異常檢測
5.1 基於自編碼器重構進行異常檢測
5.2 基於自編碼器的潛在空間進行異常檢測
5.3 結合重構與潛在空間進行異常檢測
5.4 基於生成對抗網絡（GAN）進行異常檢測
六、深度學習異常檢測的實際案例與問題
三建可為企業規劃專屬內訓課程，含客製化大綱、講師派遣與教材配套。